Index of /【已完结】推荐系统三十六式/

../
【001】开篇词  用知识去对抗技术不平等.html                         18-Aug-2025 00:00               24545
【002】01  你真的需要个性化推荐系统吗.html                        18-Aug-2025 00:00               30253
【003】02  个性化推荐系统有哪些绕不开的经典问题？.html                  18-Aug-2025 00:01               33915
【004】03  这些你必须应该具备的思维模式.html                       18-Aug-2025 00:01               28938
【005】04  画鬼容易画人难：用户画像的“能”和“不能”.html                18-Aug-2025 00:01               32674
【006】05  从文本到用户画像有多远.html                          18-Aug-2025 00:01               40532
【007】06  超越标签的内容推荐系统.html                          18-Aug-2025 00:01               32892
【008】07  人以群分，你是什么人就看到什么世界.html                    18-Aug-2025 00:01               32506
【009】08  解密“看了又看”和“买了又买”.html                      18-Aug-2025 00:01               33381
【010】09  协同过滤中的相似度计算方法有哪些.html                     18-Aug-2025 00:01               30128
【011】10  那些在Netflix Prize中大放异彩的推荐算法.html           18-Aug-2025 00:01               31304
【012】11  Facebook是怎么为十亿人互相推荐好友的.html               18-Aug-2025 00:01               29807
【013】12  如果关注排序效果，那么这个模型可以帮到你.html                 18-Aug-2025 00:01               26028
【014】13  经典模型融合办法：线性模型和树模型的组合拳.html                18-Aug-2025 00:01               37414
【015】14  一网打尽协同过滤、矩阵分解和线性模型.html                   18-Aug-2025 00:01               22442
【016】15  深度和宽度兼具的融合模型 Wide and Deep.html           18-Aug-2025 00:01               26238
【017】16  简单却有效的Bandit算法.html                       18-Aug-2025 00:01               28742
【018】17  结合上下文信息的Bandit算法.html                     18-Aug-2025 00:01               21865
【019】18  如何将Bandit算法与协同过滤结合使用.html                 18-Aug-2025 00:01               18585
【020】19  深度学习在推荐系统中的应用有哪些.html                     18-Aug-2025 00:02               24780
【021】20  用RNN构建个性化音乐播单.html                        18-Aug-2025 00:02               21379
【022】21  构建一个科学的排行榜体系.html                         18-Aug-2025 00:02               21227
【023】22  实用的加权采样算法.html                            18-Aug-2025 00:02               18203
【024】23  推荐候选池的去重策略.html                           18-Aug-2025 00:02               23786
【025】24  典型的信息流架构是什么样的.html                        18-Aug-2025 00:02               26469
【026】25  Netflix个性化推荐架构.html                       18-Aug-2025 00:02               25550
【027】26  总览推荐架构和搜索、广告的关系.html                      18-Aug-2025 00:02               22230
【028】27  巧妇难为无米之炊：数据采集关键要素.html                    18-Aug-2025 00:02               28665
【029】28  让你的推荐系统反应更快：实时推荐.html                     18-Aug-2025 00:02               23869
【030】29  让数据驱动落地，你需要一个实验平台.html                    18-Aug-2025 00:02               26451
【031】30  推荐系统服务化、存储选型及API设计.html                   18-Aug-2025 00:02               26268
【032】31  推荐系统的测试方法及常用指标介绍.html                     18-Aug-2025 00:02               29004
【033】32  道高一尺魔高一丈：推荐系统的攻防.html                     18-Aug-2025 00:02               17698
【034】33  和推荐系统有关的开源工具及框架介绍.html                    18-Aug-2025 00:02               17265
【035】34  推荐系统在互联网产品商业链条中的地位.html                   18-Aug-2025 00:02               18176
【036】35  说说信息流的前世今生.html                           18-Aug-2025 00:02               20366
【037】36  组建推荐团队及工程师的学习路径.html                      18-Aug-2025 00:02               20427
【038】加餐  推荐系统的参考阅读.html                            18-Aug-2025 00:03               27155
【039】结束语  遇“荐”之后，江湖再见.html                         18-Aug-2025 00:03               21206
【040】结课测试  推荐系统的这些知识，你都掌握了吗？.html                  18-Aug-2025 00:03                2485